用EVIEWS处理时间序列

表示不包含截距项

图2:单位根检验的方法选择

图3:ADF检验的结果:如图,单位根统计量ADF=-0.016384都大于EVIEWS给出的显著性水平1%-10%的ADF临界值,所以接受原假设,该序列是非平稳的。

二、纯随机性检验

计算Q统计量,根据其取值判定是否为纯随机序列。

例2.3的自相关图中有Q统计量,其P值在K=6、12的时候均比较大,不能拒绝原假设,认为 该序列是白噪声序列。

另外,小样本情况下,LB统计量检验纯随机性更准确。

第三章 平稳时间序列建模实验教程

一、模型识别

1.打开数据 图1:打开数据

2.绘制趋势图并大致判断序列的特征 图2:绘制序列散点图 图3:输入散点图的两个变量 图4:序列的散点图 3.绘制自相关和偏自相关图 图1:在数据窗口下选择相关分析 图2:选择变量 图3:选择对象 图4:序列相关图

4.根据自相关图和偏自相关图的性质确定模型类型和阶数

如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围,而后几乎95%的自相关系数都落在2倍标准差的范围以内,而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时,通常视为(偏)自相关系数截尾。截尾阶数为d。 本例:

? 自相关图显示延迟3阶之后,自相关系数全部衰减到2倍标准

差范围内波动,这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续,相当缓慢,该自相关系数可视为不截尾

? 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外,其它的偏自相关系数都在2倍标准差范围内作小值随机波动,而且由非零相关系数衰减为小值波动的过程非常突然,所以该偏自相关系数可视为一阶截尾 ? 所以可以考虑拟合模型为AR(1) 自相关系数 拖尾 Q阶截尾 拖尾 偏相关系数 P阶截尾 拖尾 拖尾 模型定阶 AR(p)模型 MA(q)模型 ARMA(P,Q)模型 具体判别什么模型看书58到62的图例。

AR模型:Xt???1?t1?AR(1)*B?AR(2)*B2???AR(P)*BP1?MA(1)*B?MA(2)*B???MA(q)*B?t2P1?AR(1)*B?AR(2)*B???AR(P)*B2q:

MA模型:(1?MA(1)*B?MA(2)*B2???MA(q)*Bq)?tXt???ARMA模型:Xt???

(其中模型中的ar(1)??MA(1)表示的是求出来的系数。?就是常数项)二、模型参数估计

根据相关图模型确定为AR(1),建立模型估计参数

在ESTIMATE中按顺序输入变量cx c cx(-1)或者cx c ar(1) 选择LS参数估计方法,查看输出结果,看参数显著性,该例中两个参数都显著。

细心的同学可能发现两个模型的C取值不同,这是因为前一个模型的C为截距项;后者的C则为序列期望值,两个常数的含义不同。 图1:建立模型

图2:输入模型中变量,选择参数估计方法 图3:参数估计结果 图4:建立模型

图5:输入模型中变量,选择参数估计方法 图6:参数估计结果

三、模型的显著性检验

检验内容:

整个模型对信息的提取是否充分; 参数的显著性检验,模型结构是否最简。 图1:模型残差

图2:残差的平稳性和纯随机性检验

对残差序列进行白噪声检验,可以看出ACF和PACF都没有显著异于零,Q统计量的P值都远远大于0.05,因此可以认为残差序列为白噪声序列,模型信息提取比较充分。

常数和滞后一阶参数的P值都很小,参数显著;因此整个模型比较精简,模型较优。

联系客服:779662525#qq.com(#替换为@)